VLA2026/8/26arXiv:2608.25864

MA-VLA: 協調と構成的汎化のためのマルチアーム視覚言語行動モデル

MA-VLA: Multi-Arm Vision-Language-Action Model for Collaboration and Compositional Generalization

複数アームの協調動作をアトミックな行動割り当てで分解し、訓練時にアームの役割をシャッフルすることで、未見の協調パターンへの汎化を実現するVLAモデルを提案した。

詳しい要約

1. どんなもの？

MA-VLAは、複数アームの協調操作を実現するための統一フレームワークである。協調行動を中レベルのatomic promptsに分解し、各アームに割り当てることで、明示的なサブゴール指定とタスク間での構成再利用を可能にする。また、Arm Shuffleと呼ばれる訓練時の置換手法により、役割に依存しない指示追従を実現し、未見の協調パターンへの再構成（multi-arm compositional generalization）を支援する。

2. 先行研究と比べてどこがすごい？

従来のVLAモデルは、言語を単一のグローバル指示として扱い、アーム固有の行動を割り当てる明示的なメカニズムを持たないため、訓練時に見られない協調パターンへの転移が制限される。MA-VLAは、アームごとのatomic action assignmentを導入することで、この制限を克服し、未見の協調パターンへの一般化を可能にした点が優れている。

3. 技術・手法の肝は？

手法の核は、協調行動をmid-level atomic promptsに分解し、各アームに明示的に割り当てることである。さらに、Arm Shuffleという訓練時の置換手法を導入し、観測、状態、割り当てられたatomic promptsを各アーム間でランダムに置換することで、役割に依存しない指示追従を学習させる。これにより、訓練時に見られない協調パターンへの再構成が可能になる。

4. どうやって有効だと検証した？

シミュレーションと実世界の両方で評価を行い、テスト時の協調パターンが訓練セットに存在しないベンチマークを構築した。その結果、従来の最先端VLAモデルは未見の協調パターンでほとんど失敗するのに対し、MA-VLAは一貫して成功することを示した。

5. 議論はある？

要旨からは、MA-VLAの限界や潜在的な問題についての議論は不明である。ただし、構造化されたアームごとのatomic action assignmentが、マルチアーム組込みシステムにおけるスケーラブルな一般化への実用的な道筋を提供すると主張している。

6. 次に読むべき論文は？

要旨で参照されている先行研究は明示されていないが、関連する分野として、vision-language-action (VLA) models、multi-arm collaboration、compositional generalizationに関する研究が挙げられる。具体的には、RT-2やOctoなどのVLAモデル、およびmulti-agent reinforcement learningの研究が関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Zaibin Zhang, Junlan Xiao, Zhongbo Zhang, Yifan Wang, Li Kang, Yiran Qin, Changxing Xia, Heng Zhou, Talas Fu, Enshen Zhou, Ruimao Zhang, Zhenfei Yin, Huchuan Lu, Lijun Wang

分類: cs.RO

原文アブストラクト

Multi-arm collaboration is becoming a core capability in embodied manipulation. Recent vision-language-action (VLA) models integrate perception, language, and control, but most represent language as a single global instruction and do not provide an explicit mechanism for assigning and composing arm-specific behaviors. This design limits transfer to collaboration patterns that differ from those observed during training. We present MA-VLA, a unified framework for multi-arm collaboration via atomic action assignment. MA-VLA decomposes cooperative behavior into mid-level atomic prompts and allocates them to individual arms, enabling explicit subgoal specification and compositional reuse across tasks. To reduce reliance on fixed execution roles, we introduce Arm Shuffle, a training-time permutation of the observation, state, and assigned atomic prompts for each arm. This permutation enforces role-agnostic instruction following and supports recomposition into unseen coordination patterns, which we term multi-arm compositional generalization. We also construct a benchmark in which test-time collaboration patterns are absent in training set. Across simulation and real-world evaluations, prior state-of-the-art VLAs largely fail under these unseen collaborations, while MA-VLA consistently succeeds. These results indicate that structured, per-arm atomic action assignment offers a practical route to scalable generalization in multi-arm embodied systems. Code, models, and data are available at https://github.com/zhangzaibin/future-robots

arXivで原文を読む →arXiv概要ページ